KIM – Forschung

Die Forschung im Bereich Künstliche Intelligenz im Maschinenbau zielt darauf ab, datenbasierte Methoden zur Analyse, Überwachung und Optimierung technischer Systeme weiterzuentwickeln und praxisnah anzuwenden. Im Mittelpunkt stehen Verfahren wie Machine Learning, Deep Learning und statistische Analysemodelle, die auf reale industrielle Fragestellungen übertragen werden.

Wir verwandeln industrielle Rohdaten in belastbare Entscheidungen. Dazu kombinieren wir akademische Exzellenz mit praxisnahen Pilotprojekten: Unternehmen bringen ihre Fragen, Anlagen und Daten ein, wir liefern das methodische Fundament und experimentelle Infrastruktur.

Das Ergebnis sind einsatzbereite KI-Lösungen, die Entwicklungszyklen optimieren, Prozesse stabilisieren und Ressourcen schonen.

Forschungsschwerpunkte

Unsere Forschung vereint moderne KI-Methoden mit ingenieurwissenschaftlicher Praxis. Im Mittelpunkt stehen:

Datengetriebene Zustandsprognose:
Entwicklung von ML-Modellen, die Abnutzung und Fehlfunktionen frühzeitig erkennen und planbare Wartungsstrategien ermöglichen.
Predictive Quality:
Nutzung statistischer und KI-basierter Verfahren, um Qualitätsabweichungen in Echtzeit zu detektieren und Ausschuss zu minimieren.
Adaptive Regelung & Self-Learning Agents:
Einsatz von Reinforcement-Learning-Algorithmen, die Prozesse und Prüfroutinen selbstständig optimieren und sich wechselnden Bedingungen anpassen.
Digital Twin & Simulation Analytics:
Kopplung virtueller Zwillinge mit Live-Daten, um Szenarien durchzuspielen, Entwicklungszyklen zu verkürzen und Risiken zu reduzieren.
Feature Engineering & Datenvorbereitung:
Skalierbare Pipelines zur Datenbereinigung, Synchronisation, Anreicherung und Merkmalsextraktion - das Fundament verlässlicher Modelle.
Explainable AI:
Methoden, die Entscheidungswege transparenter machen, Vertrauen schaffen und regulatorischen Anforderungen gerecht werden.

Anwendungsgebiete

Qualitätsüberwachung am Prozessende:
KI-gestützte End-of-Line-Inspektion, die prozessbegleitend erfasste Sensor- und Bilddaten auswertet, um Abweichungen sofort zu erkennen und Ausschuss zu minimieren.
Anomalieerkennung in sicherheitskritischen Systemen:
Analyse von Bild-, Signal- und Telemetriedaten zur frühzeitigen Detektion ungewöhnlicher Muster und Risiken, damit höchste Betriebssicherheit gewährleistet bleibt.
Trajektorienplanung für autonome Drohnen:
Reinforcement-Learning-basierte Routenoptimierung mit flexibel anpassbaren Randbedingungen – für effiziente, sichere und energiesparende Flugpfade.
Nutzungsszenarien- & Nutzerprofilanalyse:
Auswertung von Felddaten zur Erkennung realer Einsatzmuster und Nutzerverhalten. Die gewonnenen Erkenntnisse ermöglichen gezieltere Erprobungspläne und eine kundenorientierte, bedarfsgerechte Produktgestaltung.
Meta-Modellierung & Surrogatmodelle:
Aufbau schneller, datengestützter Ersatzmodelle auf Basis unterschiedlicher Simulationen. Diese unterstützen frühe Designentscheidungen, reduzieren Rechenaufwand im Entwicklungsprozess und beschleunigen Variantenstudien.

Beispielprojekte

Analyse der Oberflächenbeschaffenheit von fein geschliffenen Messerklingen

Zur Charakterisierung geschliffener Metalloberflächen werden bildbasierte Analyseverfahren eingesetzt. Mittels strukturierter Datenauswertung und KI-gestützter Klassifikation lassen sich geometrische Merkmale erfassen und vergleichen. Ziel ist die objektive Bewertung der Oberflächenstruktur in Bezug auf Fertigungsparameter.

Anomalieerkennung bei metallischen Oberflächen

Die Anomalieerkennung befasst sich mit dem automatisierten Aufspüren von Abweichungen, die vom normalen Erscheinungsbild einer Oberfläche abweichen. Solche Anomalien können feine Kratzer, Risse oder unerwartete Strukturen sein, die auf Fehler im Herstellungsprozess hinweisen. Durch den Einsatz statistischer Auswertungen und KI-gestützter Analysen lassen sich diese Unregelmäßigkeiten zuverlässig identifizieren.

KI-gestützte Drohnenschwarm-Koordination im Katastrophenschutz

Zur effizienten Aufklärung in Überschwemmungsgebieten werden autonome Drohnenflotten (UAVs) eingesetzt. Mittels Deep Reinforcement Learning und der Fusion topografischer Umgebungsdaten erlernen die Agenten dynamische, kontextbasierte Navigationsstrategien anstelle starrer Routen. Ziel ist die optimale und selbstständige Erfassung kritischer Infrastruktur und beschädigter Bereiche, um eine schnelle Lagebeurteilung für Rettungskräfte zu gewährleisten.

Prozessüberwachung in der Mikroalgen-Kultivierung

Mikroskopaufnahmen einzelner Algenzellen werden automatisch segmentiert und aus jedem Zellbild Features zu Form, Farbe, Textur und Intensitätsverteilung extrahiert. Mittels Clustering-Verfahren lassen sich daraus distinkte Wachstumsphasen und Zellzustände identifizieren – ohne manuelle Beschriftung. Das Ergebnis ist ein bildbasierter Sensor, der konventionelle Messtechnik ergänzt und als Grundlage für prädiktive Wachstumsmodelle dient.

Spannungsvorhersage mittels Physics-Informed Graph Neural Networks

FEM-Simulationen liefern präzise Spannungsfelder, sind aber rechenintensiv. Graph Neural Networks (GNNs) nutzen die Netzstruktur der FEM-Modelle direkt und ermöglichen nach dem Training deutlich schnellere Vorhersagen. Physikalisch motivierte PINN-Terme in der Verlustfunktion verbessern gezielt die sicherheitsrelevanten Kerbspannungen an Schweißnahtübergängen.

Unsere Kooperationspartner

Technische Ausstattung

Deep Learning Workstation mit 2x NVIDIA RTX A5500 Grafikkarten und 128GB DDR4-RAM
Deep Learning Workstation mit 2x NVIDIA RTX 6000 Ada Lovelace Grafikkarten, 1x NVIDIA RTX 6000 Blackwell Pro Max-Q Grafikkarte und 192GB DDR4-RAM
Zugang zum BayernKI-Cluster des LRZ mit unteranderem 320x NVIDIA H100 GPUs
Condition Monitoring und Predictive Quality Prüfstand mit mehreren Kameras (Fujifilm X100VI, GoPro HERO12 und industrielle CCD-Kameras) für die Aufnahme von komplexen Werkstückoberflächen